对话豆包前高级总监、Chance AI曾熙：视觉AI的新战场不是识图，而是读心

想象一个场景：你坐在曼谷一家餐厅，手机对准一张泰语菜单：2026年的 AI 不仅能把泰文翻译成中文——这已经像是上个时代的把戏了——它还能记住你是素食主义者，从二十道菜里挑出那三道不含肉的，用标准泰语帮你点单，顺便把附近评分最高的甜品店塞进你的下午行程。

这就像你雇了一个既懂你口味、又精通当地语言、还顺带是美食博主的私人助理。只不过，它在你的手机里，通过拍照即可得到。

这正是2026年很多创业者押注的新方向：不仅让 AI 准确识别事物，还要让它理解「你为什么要拍这个东西」，以及「接下来你想要干嘛」。

Chance AI 就是切入这个方向。创始人曾熙有一个有趣的背景：他在巴塞罗那读认知科学与当代艺术博士，研究的问题是——为什么人类看到毕加索蓝色时期的画会感到忧郁？

这是一个文艺话题，但背后的原理其实非常硬核。

它触及了人类视觉系统的本质：我们的眼睛是摄像头，通过我们的大脑把视觉信号转化成情绪、记忆、意义。

现在，曾熙想让 AI 也学会这套本事：「为 AI 搭建一套视觉推理系统，把视觉信号转化成有价值和判断的解释。」

Chance AI 的产品逻辑很简单：用户拍照，APP 自动识别，然后给出解释，随着 AI 越来越了解你，解释会变得越来越个性化。

比如同样在画展拍毕加索:

• 一个孩子可能得到：毕加索是谁？回顾下昨天绘画课堂讲的知识点，你晚上可以试着画什么？
• 一个艺术爱好者可能得到：毕加索和蒙克的异同，城里还有哪个展览适合你？要不要现在帮你订票？
  
  

曾熙有一套公式来解释 Chance AI 的核心逻辑：识别视觉信号+个性化上下文+社会共识=价值意义

听起来有点抽象？我们简单拆解一下。

假设你随手拍了一张演唱会海报。对 AI 来说这不只是「一张印着字和图案的纸」，而是待解的工程：

• 这是什么演唱会？（识别视觉信号）

• 你是这个歌手的粉丝吗？（个性化上下文）

• 票好买吗？值得去吗？（社会共识）

然后，推导出行动：

• 什么时候开票？

• 要不要帮你加进日历？

• 开票当天是否设置提醒？

  
  

「我们想让 AI 长出一双有思考能力的眼睛。」曾熙说，「See the unseen——看到表面之下的东西。」

曾熙身上有种奇妙的混搭气质。他能用神经科学术语解释视觉皮层的工作原理，也能用黑色幽默讲英国皇室和中国皇室的审美哲学，会用硬件行话聊供应链和 PMF，同时喜欢橘子海，一支只唱英文歌的山东青岛籍乐队。

毕业后，他先后在一加、OPPO 工作，最后一份工作是在字节跳动的 Flow 团队担任高级总监。

2024年，当 GPT-4o 多模态模型出世时，曾熙收到了一个明确的信号——这个技术方向正接近他博士期间研究的问题：人类的视觉系统如何生成意义？

这就是 Chance AI 诞生的故事。

曾熙

展览是常用场景

AI 闹：你之前提过一个很有意思的判断，视觉理解的突破不能只靠更大模型、更强算力，而是要参考人类的生物机制？

曾熙：我认为 AI 在下一阶段技术突破的趋势是通过参考其他学科的解决办法，把它们翻译转换过来，这是最难也是最具挑战的部分。

比如 AI 的视觉理解就要参考生物的视觉系统。生物从「看到」到「理解」是分四步的。

• 第一步是采集——把我们在真实世界里看到的视觉信号映射到视网膜上；

• 第二步是转化——把视觉信号转化成神经信号；

• 第三步是传输——把神经信号传到负责思考的大脑里；

• 第四步才是真正的视觉推理。

  
  

我们现在的做法是把四步拆成工程再用不同的技术实现，参考 Unix，把复杂问题拆成很多小模块，每个模块只做好一件事。

• 采集：获取视觉信号
• 转化：把视觉信号转化成模型能理解的格式
• 传输：建立统一的通信协议
• 推理：基于转化后的信号进行深度理解

以上四步还得串联通信协议，有点像现在流行的 MCP 或者 Skills，相当于我们也要做一部分视觉领域的基础建设。

AI 闹：之前豆包的拍照功能就是你主导的，大厂没有这么干吗？

曾熙：大厂倾向选择一个模型解决一切，不是因为它们没有能力，而是因为他们有更大的模型，更多的数据，更强的算力，以及想做更统一的入口。但视觉理解并不是一张更大的参数表就能解决的问题。它更像一条神经链路。比如人的眼睛不负责思考，眼睛只是采集信号。真正理解发生在信号转化、传输和大脑推理之后。

大厂想做的是更强的眼睛，我们想做的是眼睛后面的神经系统。

AI 闹：现在产品刚上线一年就累积20万用户，怎么做到的？

曾熙：种子用户是2024年我和朋友探索了一个小项目，给在深圳举办的安迪沃霍尔展览做 AI 导览。展览结束之后，大概还有大几千个用户日常也会用它拍东西，比如名胜古迹、花草，商品、食物。

之后产品正式上线，第一批是针对北美和印度的一些高校做的社群项目。刻意寻找了一批设计系、艺术系的学生，他们本身就是极度视觉导向的年轻人群体。在校园里形成了非常强的口碑自传播。此外，我们还在 Product Hunt 上连续两次拿下了当日最佳产品。

这20万用户几乎没有花钱去买量。

AI 闹：用户具体用它做什么？

曾熙：很反常识，我们几乎没有30到45岁的用户。

第一类主力用户是年轻人，大概15到25岁，第二类是45到55岁，甚至更年长一点、接近退休的人。他们有时间也有好奇心。30到45岁的人群反而很难使用一个「跟生产效率无关」的产品。

主要场景有三个：

第一个是旅游，尤其是出国。

第二个是生活场景。让 AI 看一下穿搭，面试穿什么，见男朋友穿什么；和闺蜜喝下午茶看食物的热量、去书店拍书了解核心思想。

第三个是兴趣爱好。有个用户一天拍了300多张石头照片，后来才知道他是个矿物爱好者，收藏了很多石头，兴趣场景粘性最高。

AI 闹：「穿搭」这个场景有意思，其他场景是给信息、给知识，相对客观。穿搭要提供品味建议，相对主观，AI 怎么做到？

曾熙：某种程度上成立。但我观察到的更复杂一些。

这是个好问题。我是这么理解的，好品味是由一系列高质量决策组成。

我们无法告诉用户「好看」或者「不好看」，我们是在做决策之前给他提供更多高质量的选项。

比如用户问一件碎花裙，我们马上找来跟碎花裙相关的比较 trending 的图片、社媒讨论热点、公开网络形成的高质量观点。最终穿什么，还是由用户来做。

相当于压缩了形成品味的效率，时间累积，用户自然能形成自己的品味。

AI 闹：我有个疑惑。我们真的需要一个 AI 随时解释眼前的生活吗？怎么避免「过度解说」？

曾熙：举个例子，我很喜欢看球赛，Chance AI 有点像我们看球赛时的解说，不同的解说会带给人完全不同的感受。

比如你在逛街，它可能会跟你说：这条蓝色裙子不太适合你，因为家里已经有一条类似的了。为什么不考虑一下那条淡绿色的？最近很流行，显得你皮肤白。而且这条绿裙子，恰好跟你昨天逛过的那家店里的某双鞋子还挺搭的，相当于你拥有了一个实时陪你看世界的「闺蜜」。

它可以帮你解读眼前的生活，给你提供更多选项。让你正在经历的真实世界变得更有意义。

AI 闹：这两年在 VLM 上做应用层的公司不多，第一是因为 LLM 机会非常多，第二是 VLM 应用的确定性不高。为什么创业要切入这个方向？

曾熙：视觉应用是下一个时代最大的入口，没有之一，我无比确定。

第一， Google Lens 在2025年加了 AI mode 之后，带来了70%的用户增长，且全是新用户，这是客观数据。

第二， Z 世代甚至是阿尔法世代的成长就是在 Instagram、TikTok、抖音、小红书这类产品浸染下长大的，他们可以说是「视觉原生一代」，对他们来讲，文字反而是补充。

第三，未来，每个人都需要一个终端来连接自己与虚拟世界。今天的终端是笔记本电脑、手机，或者如智能手表、智能耳机。那未来设备会演化成什么样？目前还不确定。但我笃定的是，它一定是一个能跟你的感官同频的产品——听到你听的，看到你正在看的，同时有自己的运算和通讯能力来补充你的信息。

我们想做的是在下一代 AI 终端没有完全确定之前，先把「视觉大脑」打磨好，等下一代视觉终端来了，直接无缝接进去。

AI 闹：你正好回答了我的另外一个疑问。你有过硬件背景，但创业没有从硬件切入？

曾熙：我非常知道其中门道。 iPhone 卖得好并不是因为硬件本身，而是因为它丰富的生态。硬件是最终的结果，只不过大部分人都误会了。

AI 闹：不做垂直场景，也不做硬件，对商业化是怎么思考的？

曾熙：现阶段我们对商业化的判断是先把「入口」做成，再把商业化做深。

Chance AI 不是一个一次性工具，我们更想先让用户形成一种新的习惯——看到一个东西，会下意识地先用 AI 去理解它。如果这件事成立，商业模式其实会比较自然地长出来。

最明确的路径有三条。

第一条是 Premium 订阅，面向高频用户提供更强的能力，比如更深入的 Live 模式、更长链路的视觉记忆、更个性化的理解与判断、以及不同场景下的专业 Visual Agents。

第二条是 B2B/授权合作，艺术展览、博物馆、教育等场景，甚至 AI 硬件厂商，本质上都需要一层「视觉理解系统」。

第三条才是场景内的推荐与交易，但会非常克制地做。不会把用户的好奇心导向广告或购物链接，而是在用户已经完成理解之后，再帮助他做下一步行动，比如订票、预约、到店体验、点菜、购买等。

但一切前提是视觉入口成立，订阅、授权和交易都会有空间；如果不成立，任何商业化都只是短期变现。

AI 闹：很多大厂也在探索视觉 OS 的方向，他们有硬件、有模型、有分发。Chance AI 的壁垒是？

曾熙：大厂提供 VLM 能力，硬件负责采集世界，具体应用负责服务某个场景，Chance AI 的价值是如何理解、组织、解释，并触发下一步行动。

我想做的是中间层，是「神经系统」。可能更像米家生态——无论用户买什么样的小米电器，最终都要返回到米家生态。

AI 闹：跟你做同一方向的创业公司还有哪些？

曾熙：暂时没有看到，我们是全球唯一一家，这也是让我有点恐慌的点，但也并不是做早了，比如提前了十年。也许 DeepMind 也在做，只是外界不知道（笑）。